Python快速入门

MLflow是一个开源的bob下载地址平台管理端bob体育客户端下载到端机器学习生命周期。MLflow提供了简单的api日志指标(例如,模型损失),参数(例如,学习速率)和拟合模型,便于分析培训结果或部署模型。

在本节中:

安装MLflow

砖运行时的10.3毫升以上,砖Autologging默认启用自动捕获模型参数,指标,文件,和血统信息当你火车模型从不同的流行的机器学习库。

砖运行时的10.2及以下,MLflow提供mlflow。<框架> .autolog ()api自动日志训练许多毫升框架编写的代码。可以调用此API在运行培训之前代码日志模型相关的指标、参数和模型工件。

请注意

Keras模型也支持mlflow.tensorflow.autolog ()。

               #还autoinstruments tf.keras进口mlflow.tensorflowmlflow。tensorflow。autolog()
              

               进口mlflow.xgboostmlflow。xgboost。autolog()
              

               进口mlflow.lightgbmmlflow。lightgbm。autolog()
              

               进口mlflow.sklearnmlflow。sklearn。autolog()
              

如果执行调优pyspark.ml会自动记录到MLflow,指标和模型。看到Apache火花MLlib和自动化MLflow跟踪。

执行机器学习代码后,您可以查看结果使用实验运行栏。看到查看笔记本的实验说明如何查看实验、运行和笔记本修改用于快速入门。

你可以通过直接调用日志的额外信息MLflow跟踪日志记录api。

              进口mlflowmlflow。log_metric(“准确性”,0.9)
             

              进口mlflowmlflow。log_param(“learning_rate”,0.001)
             

                进口mlflow.sklearnmlflow。sklearn。log_model(模型,“myModel”)
               

                进口mlflow.sparkmlflow。火花。log_model(模型,“myModel”)
               

                进口mlflow.xgboostmlflow。xgboost。log_model(模型,“myModel”)
               

                进口mlflow.tensorflowmlflow。tensorflow。log_model(模型,“myModel”)
               

                进口mlflow.kerasmlflow。keras。log_model(模型,“myModel”)
               

                进口mlflow.pytorchmlflow。pytorch。log_model(模型,“myModel”)
               

                进口mlflow.spacymlflow。宽大的。log_model(模型,“myModel”)
               

              进口mlflowmlflow。log_artifact(“/ tmp /我的文件”,“myArtifactPath”)
             

请注意

砖运行时的10.3毫升以上,砖Autologging在缺省情况下是启用的,这些例子中的代码笔记本并不是必需的。本节中的示例笔记本与砖设计用于运行时10.2毫升和下面。

开始使用的推荐方式与Python是使用MLflow MLflow跟踪autolog ()API。与MLflow autologging功能,一行代码自动日志生成的模型,参数用于创建模型,模型的分数。以下笔记本向您展示了如何建立一个使用autologging运行。

如果你需要更多的控制指标为每个训练记录,或希望记录附加的构件(如表或图,您可以使用MLflow日志API函数通过以下的笔记本。